D’un modèle statistique à un modèle de connaissance :

retour d’expérience
Rabia Azzi, Sylvie Despres, Jérôme Nobécourt

To cite this version:

Rabia Azzi, Sylvie Despres, Jérôme Nobécourt. D’un modèle statistique à un modèle de connaissance :
retour d’expérience. 29es Journées Francophones d’Ingénierie des Connaissances, IC 2018, AFIA, Jul
2018, Nancy, France. pp.105-119. �hal-01839565�

HAL Id: hal-01839565

https://hal.science/hal-01839565
Submitted on 23 Jul 2018

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci-
entific research documents, whether they are pub-
lished or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.
destinée au dépôt et à la diffusion de documents
scientifiques de niveau recherche, publiés ou non,
émanant des établissements d’enseignement et de
recherche français ou étrangers, des laboratoires
publics ou privés.
 D’un modèle statistique à un modèle de
connaissance : retour d’expérience
Rabia Azzi1 , Sylvie Despres1 , Jérôme Nobecourt1
U NIVERSITÉ PARIS 13, S ORBONNE PARIS C ITÉ , LIMICS,(U1142), INSERM, Sorbonne Universités, UPMC
Université Paris 6, 74 rue Marcel Cachin F-93017 Bobigny cedex, France
prenom.nom@univ-paris13.fr

Résumé :
Les modèles statistiques sont couramment représentés sous forme textuelle, tabulaire et graphique dans des
documents (rapports, articles, affiches et présentations) qui sont le plus souvent en format PDF. Même si ce
format rend l’accès à l’information plus difficile, il est intéressant de traiter directement le fichier PDF. Dans
cet article nous proposons une approche permettant le passage d’un modèle statistique de connaissances
à un modèle de connaissances qui soit visualisable afin d’en permettre une exploitation plus aisée. Notre
approche consiste à : (i) extraire les informations pertinentes sous forme de triplets RDF ; (ii) organiser les
triplets pour construire un modèle conceptuel ; (iii) visualiser dynamiquement le modèle obtenu. Nous nous
focalisons sur les deux premières étapes de la méthodologie.
Mots-clés : Modèle statistique, Tableau statistique, Modèle conceptuel, Extraction sémantique d’informa-
tion, RDF

1 Introduction

Dans cet article, nous traitons de l’automatisation de l’interprétation de résultats d’ap-

proches statistiques publiées au format PDF. Les questions soulevées sont : (1) comment ex-
traire l’information et la sémantique existante dans ces documents ; (2) comment traduire les
informations extraites vers un modèle conceptuel ; (3) comment exploiter le modèle obtenu
pour le rendre dynamique et interactif.
La démarche statistique, indispensable pour extraire des connaissances à partir de don-
nées, est utilisée dans presque tous les domaines de l’activité humaine : ingénierie, mana-
gement, économie, biologie, informatique, etc. (Saporta, 2011). Les données sont collectées,
exploitées, analysées et enfin souvent présentées sous formes tabulaires et graphiques afin de
faciliter leur interprétation.
Un tableau statistique est un ensemble de cellules organisées en lignes et colonnes, conte-
nant des données chiffrées. Un tel tableau peut être : (1) à une entrée, il permet l’étude d’un
caractère d’une population ; (2) à double entrée, il permet d’étudier simultanément deux ca-
ractères d’une population. Quelle que soit la structure du tableau, l’approche de lecture des
informations qu’il contient est identique. Il faut dans tous les cas étudier le titre, la source
et comprendre les intitulés des lignes et des colonnes. Les informations représentées dans
les tableaux sont fortement connectées, en particulier les liens entre les éléments du tableau
sont implicites et nécessitent une explicitation. Cependant, comme toutes les données sont
d’égale importance, il n’est pas évident d’identifier et de sélectionner les informations es-
sentielles (Junyong & Sangseok, 2017). Notre objectif est de proposer un traitement semi-
automatique pour l’interprétation de ces tableaux. En effet, ils constituent un des moyens les
plus couramment utilisés pour présenter et structurer les informations. Ce traitement néces-
site d’extraire les données qu’il contiennent et de les représenter dans un modèle facilitant
leur compréhension. En outre, la plupart des documents sont publiés au format PDF à partir
duquel l’extraction d’information est fastidieuse. De nombreuses approches ont été proposées
pour extraire des informations à partir de documents PDF. Elles exploitent, soit le format des
balises tel que HTML et XML, soit un format de texte brut pour l’extraction d’information
(Riaz et al., 2016), (Klampfl & Kern, 2015).
Dans cet article, nous décrivons une méthode permettant de traduire des tableaux statis-
tiques au format PDF vers un modèle conceptuel guidant l’interprétation des informations

105
IC 2018

qu’il contient. Nous utilisons les techniques d’extraction d’information à partir de documents
PDF et le modèle de triplets RDF 1 afin de structurer les informations extraites. Cette ap-
proche permet en effet d’explorer la manière de représenter des informations sans identifier
initialement un vocabulaire source pour les prédicats (Powell, 2015). D’un point de vue ap-
plicatif, RDF utilise des identifiants uniques pour les ressources et chaque triplet correspond
à la déclaration d’un fait.
Cet article est organisé comme suit : dans la section 2, nous introduisons la démarche de
présentation des résultats en statistique. Dans la section 3, nous présentons l’approche géné-
rale et nous nous focalisons sur les deux premières étapes de la méthodologie (extraction des
connaissances sous forme de triplets RDF et construction d’un modèle conceptuel). Dans la
section 4 et 5, nous décrivons l’expérimentation, les résultats obtenus et leur évaluation. Dans
la section 6, nous concluons et présentons des perspectives d’investigations complémentaires.

2 Présentation des résultats en statistique

Le mot statistique 2 désigne à la fois un ensemble de données d’observations et l’activité

consistant en leur recueil, leur traitement et leur interprétation. Pour (Saporta, 2011), faire de
la statistique suppose l’étude d’un objet ou d’un ensemble d’objets sur lesquels des carac-
téristiques appelées « variables » sont observées. La notion fondamentale en statistique est
celle de population qui correspond à un groupe ou à un ensemble d’objets équivalents. Les
objets sont appelés individu ou unité statistique. L’étude de tous les individus d’une popu-
lation finie correspond à un recensement. Lorsqu’une partie de la population est observée,
il s’agit d’un sondage, la partie étudiée étant désignée comme l’échantillon. Ainsi, chaque
individu d’une population est décrit par un ensemble de caractéristiques appelées variables
ou caractères. Ces variables peuvent être classées comme des variables quantitatives ou nu-
mériques (par exemple, taille, poids, etc.) ou comme des variables qualitatives s’exprimant
par l’appartenance à une catégorie (par exemple, catégorie socio-professionnelle, etc.).
La démarche statistique comporte usuellement les étapes suivantes :
— le recueil qui consiste à collecter les données, selon deux grandes méthodologies : les
sondages et les plans d’expériences ;
— l’exploration qui consiste à synthétiser, résumer, structurer l’information contenue
dans les données ;
— l’inférence qui consiste à étendre les propriétés constatées sur l’échantillon de la popu-
lation toute entière et à valider ou infirmer des hypothèses a priori ou formulées après
une phase exploratoire ;
— la modélisation qui consiste généralement à rechercher une relation approximative
entre une variable et plusieurs autres. Les modèles souvent utilisés sont la régression
linéaire, le modèle linéaire général et la méthode de discrimination.

F IGURE 1 – Etapes d’analyse d’un tableau statistique

1. https ://www.w3.org/RDF/
2. http ://www.larousse.fr/dictionnaires/francais/statistique/74516

106
 D’un modèle statistique à un modèle de connaissance

Les méthodes visuelles sont largement utilisées en statistique pour présenter les résultats
de manière claire et concise. Il existe plusieurs formes possibles de présentation visuelle
des résultats : tableaux, graphiques, histogrammes, diagrammes, etc. Parmi ces formats, les
tableaux sont les plus utilisés, car l’information est disposée de manière à mettre en évidence
les relations entre les données.
Il existe trois types de tableaux : (i) les tableaux de données (les premiers construits) qui
sont généralement « de grande taille » puisqu’ils comptent autant de lignes que de sujets
étudiés ; (ii) les tableaux de distribution de variables (les plus connus) sont obtenus par re-
groupement des cases identiques figurant dans les colonnes et décrivent la distribution d’une
variable ; (iii) les tableaux de contingence sont constitués par croisement de deux variables
renseignées.
Les tableaux statistiques permettent d’organiser et de présenter les données ou les résultats
en regroupant des informations de même nature. Cependant pour les exploiter, une démarche
rigoureuse doit être suivie. Le grand principe d’analyse d’un tableau en statistique (voir Fi-
gure 1) est d’adopter une démarche allant du général au particulier. Cette démarche comporte
les étapes suivantes :
— identifier les éléments : consiste à identifier le titre, la source de l’étude, la nature du
tableau, etc. Chacun de ces éléments est porteur d’information (par exemple, le titre
peut renseigner sur l’idée, la variable expliquée, etc.) ;
— identifier les termes : consiste à identifier les termes figurant dans le titre, les colonnes
et les lignes du tableau, etc. ;
— qualifier les types de données : consiste à qualifier le type de données contenu dans le
tableau en prenant en compte les unités (par exemple, des pourcentages, des probabi-
lités, etc.) ;
— réaliser une lecture du tableau : consiste à appliquer deux règles communes de lecture
à tous les tableaux. La première règle consiste à construire une paraphrase en débutant
la lecture en se plaçant sur une ligne et en poursuivant par celle des colonnes utiles
à l’analyse. La seconde consiste à répéter la première règle sur plusieurs lignes du
tableau pour vérifier la pertinence des relations ;
— observer : consiste à tirer des conclusions à partir du tableau. Par exemple, identifier
des relations entre variables (cause/effet), des valeurs extrêmes, des tendances, etc.

F IGURE 2 – Exemple de tableau simple et complexe

Si une analyse visuelle permet à un être humain de reconnaître et comprendre facilement

les tableaux, la situation est différente quant il s’agit d’un ordinateur. Un tableau est constitué
de cellules d’en-tête et de cellules contenant des données. Cette structuration permet de dé-
finir la relation entre les cellules et fournit un contexte aux utilisateurs. Selon (Yeon-Seok &
Kyong-Ho, 2008), il existe deux types de tableaux (voir Figure 2) : (1) les tableaux simples
(voir Figure 2-A) comportant au maximum une ligne d’en-tête subdivisée en colonnes d’en-
têtes. La colonne d’en-tête précise le type d’information qu’elle contient. Il n’y a pas de
cellules fusionnées dans un tableau simple ; (2) les tableaux complexes (voir Figure 2-B),
sont constitués d’en-têtes composées d’une ou plusieurs lignes ou de plusieurs cellules. Plu-
sieurs lignes peuvent être associées à une même cellule d’en-tête. Elles peuvent également

107
IC 2018

contenir des cellules vides et des cellules fusionnées.

Prenons comme exemple, le tableau (B) de la Figure 2, l’analyse visuelle de ce tableau
permet d’identifier les difficultés suivantes :
— les en-têtes des colonnes correspondent généralement aux variables utilisées dans l’étude
(par exemple, le nombre de cas, la probabilité, etc) mais elles peuvent figurer sur plu-
sieurs lignes et comportent parfois des cellules vides ;
— les lignes sont composées de cellules qui peuvent parfois être vides. Généralement, le
contenu de la première cellule correspond à une variable de l’étude statistique et le
reste à la valeur de l’association entre l’en-tête des colonnes et de la ligne ;
— les contenus des cellules peuvent être différents (texte, chiffres, caractères spéciaux,
etc.).
L’approche proposée dans cet article prend en compte à la fois la démarche d’analyse d’un
tableau statistique en tenant compte des difficultés précédemment identifiées.

3 Approche proposée

Nous avons conçu une application qui repose sur l’approche décrite en Figure 3. Le trai-
tement prend en entrée un modèle statistique au format PDF, et se décompose en 3 étapes :
E1 : extraction de connaissances sous forme de triplets RDF.
E2 : construction d’un modèle conceptuel.
E3 : visualisation dynamique du modèle conceptuel.
Dans cet article, nous présentons l’approche permettant la traduction du modèle statistique
vers le modèle conceptuel (E1 et E2).

F IGURE 3 – Etapes de la méthodologie générale

3.1 Extraction des connaissances (E1)

Cette section présente un état de l’art relatif à l’extraction de connaissances (3.1.1) ainsi
que l’approche d’extraction de connaissances sous forme de triplets RDF à partir du docu-
ment PDF (3.1.2 et 3.1.3).
3.1.1 Etat de l’art
Ces dernières années, le web est devenu un référentiel universel de données. L’accessibilité
de ces données a permis l’émergence de nombreuses approches d’extraction de connaissances
à partir de données structurées et non structurées (Unbehauen et al., 2012). Souvent, le flux de
données traitées par ces approches d’extraction est issu de tables au sens HTML. L’extraction
de ces connaissances permet d’alimenter un grand nombre d’applications (Crestan & Pantel,
2010). La richesse et l’utilité des tables relationnelles sur le web ont permis l’émergence de
plusieurs approches d’extraction de connaissances sous forme de triplets RDF (Muñoz et al.,
2014), (Lu et al., 2015) ou sous forme d’une description logique (Pivk et al., 2007).

108
 D’un modèle statistique à un modèle de connaissance

D’autres format sont également utilisés pour coder des tables, le format PDF est le plus
répandu. Pour extraire et exploiter ces contenus, il est nécessaire de mettre en place des ap-
proches appropriées (Ronzano & Saggion, 2016). Les approches mises en place sont person-
nalisées et sont fondées sur des éléments structurels tels que le titre, les sections, les figures,
les tableaux, etc. (Riaz et al., 2016), (Wu et al., 2015). Cependant, pour exploiter les docu-
ments au format PDF, il est nécessaire de les convertir vers un format exploitable (XML,
Textuel, HTML, etc.).
Dans cet article, nous nous concentrons sur l’extraction de triplets RDF à partir d’études
statistiques publiées au format PDF. Le document PDF est converti dans un format exploi-
table. Puis, à l’aide d’un vocabulaire contrôlé, les triplets RDF sont extraits à partir des tables
HTML.
3.1.2 Conversion du fichier PDF
Le format PDF est devenu une norme du support de lecture numérique (ordinateurs, li-
seuses, tablettes, smartphones, PDA, etc.). L’objectif initial du PDF était de préserver et
protéger le contenu et la mise en page d’un document, quels que soient la plate forme ou
le programme informatique dans lequel il est visualisé. C’est pourquoi, les fichiers PDF sont
difficiles à modifier et parfois même, l’extraction d’information à partir de ces fichiers consti-
tue un véritable défi.

F IGURE 4 – Tableau comparatif des outils de conversion de documents PDF

En outre, la forme des fichiers PDF varie, ce qui conduit à la mise en place de méthodes de
traitements adaptées à chacune d’entre elles. Dans tous les cas, pour automatiser l’extraction
d’information, il convient de convertir ces fichiers dans un format exploitable par la machine.
Plusieurs outils ont été développés pour aider ce processus de conversion. Pour justifier le
choix de l’outil que nous avons utilisé, nous proposons une analyse de ceux souvent cités
comme référence :
— pdftohtmlEX 3 convertit les fichiers PDF au format HTML en conservant le texte et la
mise en forme des tableaux ;
— pdftohtml 4 convertit les fichiers PDF au format HTML et XML ;
— PDFX 5 utilise des règles pour reconstruire la structure logique d’articles scientifiques
au format PDF, quels que soient leur style de formatage ;
— Tabula 6 extrait semi-automatiquement des tableaux de données à partir de fichiers
PDF ;
— PDFMiner 7 extrait des informations à partir de documents PDF. Contrairement à d’autres
3. http ://coolwanglu.github.io/pdf2htmlEX/
4. http ://pdftohtml.sourceforge.net/
5. http ://pdfx.cs.man.ac.uk/
6. http ://tabula.technology/
7. http ://www.unixuser.org/ euske/python/pdfminer/

109
IC 2018

outils liés au PDF, il est entièrement consacré à l’obtention et l’analyse de données de

texte ;
— PDF Online 8 convertit les fichiers PDF au format HTML en conservant le texte et la
mise en forme des tableaux.
Une synthèse des caractéristiques de ces outils est présentée dans le tableau de la Figure 4.
Nous avons sélectionné l’outil pdftohtmlEX (voir Figure 5), pour les raisons suivantes : (1)
le format de sortie HTML préserve la structure tabulaire lors du processus de conversion ;
(2) l’information concernant la position du tableau dans le document est présente. Ainsi, il
est possible de refaire l’action inverse, par exemple en partant des éléments extraits il est
possible d’identifier l’endroit du tableau contenant cette information ; (3) la conversion est
complètement automatique contrairement à l’outil Tablula. En revanche, la sortie HTML ob-
tenue présente l’inconvénient d’être linéaire et nécessite des traitements supplémentaires.

F IGURE 5 – Sortie HTML obtenue avec pdftohtmlEX

3.1.3 Localisation et extraction de l’information

3.1.3.1 Localisation de l’information
Une des difficultés de ce travail concerne la reconnaissance de tableaux contenant des
informations relatives à un contexte d’étude. Il est facile pour un humain d’identifier les
tableaux pertinents dans ce contexte. Par exemple pour un humain, l’analyse visuelle d’un ta-
bleau peut lui permettre de déduire facilement le sujet étudié. Ce processus de déduction est
réalisé en identifiant certains termes dans le titre, légende, etc. L’automatisation de ce proces-
sus est souvent non triviale, même lorsque le système peut localiser les tableaux par recon-
naissance de balises « TABLE » dans le document HTML. Le problème à résoudre est : com-
ment déterminer automatiquement si les informations décrites dans un tableau concernent le
contexte de l’étude ?
Plutôt que de localiser les informations de manière similaire à (Ermilov et al., 2013) ou de
trouver des heuristiques comme l’ont suggéré (Shigarov, 2015) et (Clark & Divvala, 2015),
nous avons opté pour une approche supervisée exploitant un vocabulaire contrôlé s’il existe
ou à partir des données de l’étude. Nous identifions les chaînes de caractères contenant les
termes du vocabulaire. Nous pouvons, par exemple, déterminer qu’un tableau est pertinent
s’il contient les termes du vocabulaire dans le titre et/ou le corps du tableau. Contrairement
aux deux approches qui supposent un travail important d’élaboration d’heuristiques et des
règles, notre démarche est générique et ne nécessite qu’un pré-traitement léger.
8. http ://www.pdfonline.com/

110
 D’un modèle statistique à un modèle de connaissance

3.1.3.2 Extraction de l’information

Après avoir identifié les tableaux pertinents (contenant des informations sur le contexte de
l’étude) dans le document HTML, l’étape suivante consiste à extraire ces informations et les
liens qui leur sont associés.
L’extraction des informations à partir d’un tableau nécessite deux étapes : (1) la déter-
mination des colonnes pertinentes qui est obtenue en utilisant un vocabulaire contrôlé ; (2)
la construction des paraphrases d’interprétation des données qui est obtenue en prenant en
compte le titre de chaque ligne, les en-têtes des colonnes pertinentes et les cellules se trou-
vant à l’intersection entre la ligne et l’en-tête.
Notre approche d’extraction comprend quatre étapes :
1. L’extraction des tableaux pertinents comprend deux phases : (a) la reconnaissance
des tableaux ; (b) la vérification de la pertinence du tableau. La reconnaissance des
tableaux est utilisée pour identifier et extraire tous les tableaux présents dans le docu-
ment en utilisant le format des balises HTML. La vérification de la pertinence des
tableaux a pour objectif de déterminer si le tableau extrait traite du sujet d’étude.
Le principe consiste à taguer chaque terme du vocabulaire reconnu dans le tableau.
Ainsi, s’il contient des termes du vocabulaire, il est déclaré pertinent et stocké sous
forme d’un tableau associatif (numero_de_page => titre => contenu). Dans le cas
contraire, il est rejeté.
2. L’extraction des colonnes pertinentes consiste à extraire les colonnes dont les en-
têtes contiennent les termes du vocabulaire. Cependant, les en-têtes des tableaux peuvent
apparaître sur plusieurs lignes avec des en-têtes vides ce qui rend la tâche plus difficile.
Pour résoudre ce problème, nous avons commencé par identifier les modèles d’en-têtes
utilisés dans les tableaux. Puis, nous avons construit des règles d’extraction pour ces
modèles. Par exemple, si l’en-tête de la colonne comporte deux lignes alors la règle de
traitement consiste à dupliquer le titre de la première ligne dans la seconde ligne. Sou-
vent les tableaux extraits comportent des cellules vides et des lignes non pertinentes.
Un traitement de nettoyage et une mise en forme des tableaux doit par conséquent être
appliqué.
3. Le nettoyage et la mise en forme des tableaux se déroulent en trois étapes :
— substitution des cellules vides : les cellules vides sont dues à la structuration des
tableaux sur plusieurs niveaux. Le traitement permet de recopier le contenu de
la cellule précédente dans les cellules vides suivantes d’une même colonne. Pour
réaliser ce traitement, on doit considérer le type des données des cellules afin de
ne pas introduire de biais. Par conséquent, ce traitement concerne uniquement les
cellules contenant des chaînes de caractères.
— suppression de lignes non pertinentes : les lignes non pertinentes proviennent
de la structuration des tableaux qui fournissent des informations supplémentaires
(telles que, l’année de l’étude, la source, etc.). Le traitement permet de vérifier deux
paramètres pour chaque ligne du tableau, la présence des termes du vocabulaire et
la présence de plusieurs cellules vides. En combinant ces deux paramètres, les
lignes non pertinentes sont automatiquement supprimées.
— renommage d’en-tête : certaines cellules d’en-têtes peuvent être vides ce qui
constitue un obstacle à la lecture de l’information. Nous avons construit des règles
à l’issue de l’analyse de la structure des tableaux. Par exemple, si le titre de la ligne
i du tableau T tient sur deux cellules (C1 et C2 ) alors la valeur des en-têtes pour C1
et C2 sera respectivement « Class » et « Label ». Le traitement appliqué remplace
respectivement l’en-tête vide par les valeurs « Class » et « Label ».
À l’issue de ces trois étapes, on obtient une collection de tableaux nettoyés et exploi-
tables.
4. La construction de triplets : résulte de l’extraction des informations réalisée sur la
collection des tableaux T . Le résultat obtenu est un ensemble de triplets appelé graphe
RDF décrivant l’ensemble des tableaux pertinents.

111
IC 2018

L’approche choisie est décrite dans la Figure 6 (A). L’automatisation du processus de

construction des paraphrases est réalisée de la manière suivante :
Un tableau T est décrit par un ensemble de triplets RDF représentant les lignes le
constituant. Chaque ligne i du tableau est considérée comme un nœud blanc noté _ :xi .
Une ligne i est décrite par un ensemble de triplets (si , pk , oi,k ), où :
— si : correspond au nœud blanc _ :xi associé a la ligne i ;
— pk : correspond à un littéral, à partir du contenu de l’en-tête de la colonne k ;
— oi,k : correspond à un littéral typé, à partir du contenu de la cellule à l’intersection
entre la ligne i et la colonne k.
Chaque ligne i d’un tableau T comporte un titre. Ce titre peut être présent : (1) sur
une colonne, dans ce cas, la première colonne sera décrite par un seul triplet ; (2)
sur deux colonnes fusionnées, dans ce cas, la première colonne sera décrite par deux
triplets. Les en-têtes des colonnes les plus répandus dans les tableaux statistiques sont
la probabilité et le nombre d’individus pour chaque variable étudiée. En partant de ce
constat, nous avons construit un modèle générique de triplet guidant leur extraction
(voir Figure 6 (B)) . Dans ce modèle, chaque ligne du tableau va comporter un « Label
», une « Class », un « Nombre de cas » et une « Probabilité ». Les littéraux typés sont
dans un premier temps considérés comme des chaînes de caractères mais seront par la
suite décomposés en un « réel » et une « unité » afin éviter une perte d’information sur
la donnée.
Puis, chaque titre F d’un tableau T est segmenté pour identifier les éléments décrits et
le terme désignant la relation permettant de relier les éléments du titre F au tableau T .
Ce traitement est réalisé à l’aide de TreeTagger 9 . A partir de l’élément et de la relation
identifiées dans le titre F , des triplets sont construits selon le modèle (s, p, o) où :
— s correspond a l’élément identifié dans le titre ;
— p correspond au type de relation entre le titre et le tableau ;
— o correspond au nœud blanc « _ :xi » pour chaque ligne du tableau T .

F IGURE 6 – Stratégie d’extraction des triplets à partir des tableaux

3.2 Construction du modèle conceptuel (E2)

Une des limites des modèles statistiques est qu’ils n’apportent qu’une information brute
et faiblement structurée par rapport au contexte d’étude. En effet, la description et l’interpré-
tation d’une relation dans un tableau sont construites sur des observations soumises à la sub-
jectivité de l’observateur. Par exemple, deux personnes ayant des niveaux de connaissances
différents sur un sujet n’auront pas la même interprétation d’un tableau.
L’approche proposée pour réduire ce biais consiste à construire un modèle conceptuel du
domaine étudié pour guider l’interprétation des connaissances implicites dans les tableaux.
L’avantage de ce modèle est : (i) de permettre d’avoir une description structurée ; (ii) d’être
souple en permettant d’étendre à d’autres concepts du domaine.
9. http ://www.cis.uni-muenchen.de/ schmid/tools/TreeTagger/

112
 D’un modèle statistique à un modèle de connaissance

4 Expérimentation

Ce travail s’inscrit dans le contexte de l’amélioration de la prévention du risque cardio-

vasculaire qui cause près de 17,7 millions de décès, soit 40% de la mortalité mondiale totale
(WHO, 2017). Si les principaux facteurs de risques cardiovasculaires sont aujourd’hui bien
connus, leur évaluation à tendance à être réalisée sans considérer les interactions qui les lient
(Meneton et al., 2016).
Pour conduire notre expérimentation, nous travaillons à partir d’une étude statistique me-
née par (Meneton et al., 2016) dans le domaine de l’épidémiologie. Son objectif était de
mettre en évidence des interactions entre des facteurs de risques cardiovasculaires. Les ré-
sultats obtenus par les auteurs en appliquant des tests de régression sont résumés dans des
tableaux, figures et textes.
Le but de notre expérimentation est double : extraire les connaissances contenues dans les
tableaux sous forme de triplets RDF et construire le modèle conceptuel à partir de ces triplets.
L’étude de (Meneton et al., 2016) est publiée sous forme d’un document PDF dans lequel
13 tableaux décrivent les associations de 13 facteurs de risque cardiovasculaires. La première
étape était de convertir le fichier PDF vers un format exploitable à l’aide de pdftohtmlEX.
Le résultat obtenu est un document HTML contenant « 9798 lignes », « 55702 mots », «
1254107 caractères » et « 32 tableaux ».
Pour illustrer notre démarche, nous avons choisi un tableau (voir Figure 7) du document
PDF. L’ensemble des tableaux décrivant les associations entre les facteurs de risque cardio-
vasculaires ont tous la même structure.

F IGURE 7 – Stratégie d’extraction de l’information appliquées sur le tableau

Chaque ligne i du tableau (Figure 7) comporte un titre. Ce titre est écrit sur deux colonnes
fusionnées. Le titre de la première ligne du tableau est composé de « Body mass index »
et « Optimal ». Dans ce cas, la première colonne sera décrite par deux triplets de la forme
(_ :xi , p, o), où :
— « _ :xi » correspond à la valeur du nœud blanc ;
— « p » correspond respectivement à « Class » et « Label » pour la première colonne ;
— « o » correspond à la valeur de l’intersection entre la ligne i et la colonne k du tableau
T . Les contenus des colonnes « P » (décrivant la probabilité) et « No. of cases »
(décrivant le nombre d’individus pour chaque Class) sont traités comme des chaînes
de caractères.
Chaque ligne du tableau est décrite par un triplet suivant le modèle décrit dans la Figure 8-
A . Par exemple, le résultat obtenu pour la troisième ligne du tableau (A) est présenté Figure 8-
B.

113
IC 2018

F IGURE 8 – Modèle de triplet pour l’extraction d’information

— Construction du modèle conceptuel (E2) :

«CARRE 10 » est à notre connaissance le seul vocabulaire actuellement disponible.
Il décrit les facteurs de risque cliniques cependant, il contient peu de termes relatifs
aux facteurs de risque cardiovasculaires et est difficilement réutilisable. Pour pallier
cette incomplétude, nous avons élaboré un vocabulaire contrôlé en utilisant les termes
du domaine des maladies cardio-vasculaires utilisés par les experts du domaine. Le
modèle conceptuel obtenu (voir Figure 9-(2)) a été élaboré en utilisant ce vocabulaire
contrôlé. Dans ce modèle, chaque facteur de risque est décrit par sa catégorie, les
facteurs qui le prédisent, le label préféré et le label alternatif. Par exemple, le facteur
de risque « Smoking » est décrit par :
1. catégorie des « Behavioral_factors » ;
2. prédit par les facteurs associés aux nœuds blancs (_ :x1 , _ :x2 , _ :x3 ) ;
3. label préféré « Smoking » et label alternatif « Fumeur ».

F IGURE 9 – Structure du vocabulaire contrôlé

10. http ://bioportal.bioontology.org/ontologies/CARRE

114
 D’un modèle statistique à un modèle de connaissance

— Localisation de l’information : le résultat obtenu à partir du tableau (A) est présenté

Figure 10. Nous avons identifié à l’aide du vocabulaire contrôlé les termes «Smoking,
predictive » dans le titre et « Obesity, Depression » dans le corps du tableau. Ainsi, le
tableau (A) est annoté comme pertinent.

F IGURE 10 – Exemple de tag réalisé sur un tableau à l’aide du vocabulaire contrôlé

— Extraction des tableaux pertinents : une fois le tableau (A) déclaré pertinent, il est
extrait sous forme d’un tableau associatif (voir Figure 11) « numero_de_page =>
titre => contenu ».

F IGURE 11 – Exemple de tableau extrait à partir du document HTML

— Extraction des colonnes pertinentes : l’extraction des colonnes a été réalisée à l’aide
du vocabulaire contrôlé et du modèle de triplet. Les colonnes extraites à partir du
tableau (A) sont : (1) la probabilité décrite par l’en-tête portant l’étiquette « P » ; (2) le
nombre de cas décrit par l’en-tête portant l’étiquette « No.of cases ».

F IGURE 12 – Tableau (A) de la Figure 11 après nettoyage

— Nettoyage et mise en forme du tableau : les résultats obtenus pour le tableau (A) sont
présentés dans la Figure 12. Nous avons constaté que certains champs de la colonne «

115
IC 2018

probability » comporte des valeurs « NaN ». Cette valeur traduit la non-pertinence de la

ligne. Nous avons appliqué un traitement de suppression de toutes les lignes contenant
la valeur « NaN » dans la colonne « probability » pour l’ensemble des tableaux.
— Construction de triplets : le résultat obtenu pour le tableau (A) est présenté dans la
Figure 13. Nous avons obtenu cinq nœuds blancs notés (_ :x1 , _ :x2 , _ :x3 ). En prenant
l’exemple du nœud blanc _ :x1 associé à la première ligne du tableau, cinq triplets
sont produits. Quatre triplets construits à partir de la ligne « 1 » et des colonnes «
P robability » et « N umberOf Cases » qui sont :
(_ :x1 ,′ Class′ ,′ Body_mass_index′ ), (_ :x1 ,′ Label′ ,′ Overweight′ ),
(_ :x1 ,′ N umberOf Cases′ ,′ 466′ ), (_ :x1 ,′ P robability ′ ,′ 0.0002′ ). Le cinquième triplet
construit à partir du titre T et de la ligne « 1 » est (′ Smoking ′ ,′ P redictedBy ′ , _ :x1 ).

F IGURE 13 – Triplets obtenus à partir du tableau (A) de la Figure 11

A l’issue de l’extraction des triplets, chaque facteur de risque est décrit selon le modèle
conceptuel présenté dans la Figure 9-(2). Ce processus est réalisé en deux étapes : (1) analyser
les triplets extraits ; (2) associer à chaque facteur de risque un ensemble de triplets.
Le résultat est stocké dans un Triple Store. Ainsi, le langage de requête SPARQL peut
être utilisé directement pour interroger ce graphe. Outre son interrogation, le modèle obtenu
est destiné à être utilisé dans une nouvelle approche d’évaluation du risque cardiovasculaire
fondée sur la visualisation dynamique des interactions entre les facteurs de risque.

5 Evaluation

Nous avons montré dans la section précédente comment extraire et transformer des connais-
sances à partir des tableaux statistiques au format PDF. L’approche développée est adaptable
à d’autres formats et à usage général. Elle est réalisée en deux étapes : (1) localisation et
extraction de l’information dans les tables ; (2) élaboration du modèle conceptuel. Ces deux
étapes sont fondées sur l’utilisation d’un vocabulaire contrôlé.
Afin de valider notre approche, nous avons conduit une expérimentation fondée sur l’inter-
prétation par un expert de la sélection de tableaux statistiques correspondant à un sujet d’étude
dans un document PDF. Pour évaluer l’approche d’extraction des tableaux, nous avons tra-
vaillé sur deux jeux de données disponibles au format PDF : le premier (D1) concerne le
modèle statistique à l’origine de ce travail dans le domaine des maladies cardiovasculaires, la

116
 D’un modèle statistique à un modèle de connaissance

démarche et les résultats obtenus sont présentés dans la section 4 ; le second (D2) concerne
l’enquête internationale sur les transactions de change et de produits dérivés 11 dans le do-
maine financier. La Figure 14 présente l’exemple d’un tableau extrait du document et le ré-
sultat obtenu après extraction des triplets est présenté dans la Figure 15.

F IGURE 14 – Extraction d’un tableau figurant dans (D2)

F IGURE 15 – Liste des triplets obtenus à partir du tableau de la Figure 14(B)

Nous avons utilisé trois métriques pour évaluer les résultats de l’extraction sur (D1) et
(D2) : la précision, le rappel et la F-mesure. Soit Tf ac le nombre de tableaux identifié comme
traitant des interactions entre les facteurs de risque cardiovasculaire (D1) et au volume d’ac-
tivité de transactions (D2) ; la précision est le rapport entre Tf ac et le nombre total de tableaux
apparaissant dans chaque jeu de données ; le rappel est le rapport entre Tf ac et les tableaux
décrivant réellement les interactions entre les facteurs de risque cardiovasculaire (D1) et le
volume d’activité de transactions (D2) ; la F-mesure est la moyenne quadratique combinant
la précision et le rappel. Pour chaque jeu de données, nous avons exécuté une extraction avec
et sans vocabulaire contrôlé. Une fois l’extraction réalisée, nous avons calculé la précision,
le rappel et la F-mesure.
La Table 1 présente les résultats de l’extraction des tableaux avec les mesures de précision,
rappel et F-mesure pour les jeux de données (D1) et (D2). Nous constatons que la précision
11. https ://www.banque-france.fr/sites/default/files/media/2016/11/24/
enquete-triennale-principaux-resultats.pdf

117
IC 2018

Jeux de données Vocabulaire Précision Rappel F-mesure

D1 sans 0.40 0.90 0.55
avec 1.0 0.98 0.99
D2 sans 0.50 0.45 0.47
avec (1 terme) 0.76 0.69 0.72
avec (2 termes ) 0.89 0.80 0.84
TABLE 1 – Résultats expérimentaux

de l’extraction donne de faibles résultats sur les deux jeux de données lorsqu’elle est réalisée
sans le recours à un vocabulaire. Cette faible valeur de la précision est due au nombre élevé
de tableaux extraits. La précision et la F-mesure sur (D1) augmentent lorsqu’un vocabulaire
contrôlé est utilisé. Pour le jeu de données (D2), la précision et le rappel augmentent au fur et
à mesure où le nombre de termes augmente dans le vocabulaire. Ces résultats indiquent que
l’utilisation d’un vocabulaire adapté est déterminant pour optimiser l’extraction.
L’évaluation de cette approche sur le jeux de données (D1) fournit une performance presque
parfaite pour le jeu de données (D1). Ce résultat s’explique principalement par : (1) l’ap-
proche développée sur le jeu de données (D1) ; (2) les tableaux décrivant les interactions entre
les facteurs de risque cardiovasculaires dans le document HTML ont tous la même structure ;
(3) le vocabulaire utilisé pour l’extraction est adapté au domaine. Sur le jeu de données (D2),
la performance reste très satisfaisante. Nous prévoyons de tester l’approche d’extraction sur
un volume plus important de jeux de données pour mieux évaluer l’approche et identifier des
pistes d’amélioration.
Le cadre proposé dans cet article n’est pas limité à l’extraction de connaissances à partir
d’études statistiques au format PDF, mais peut être appliqué à toutes ressources structurées
sous forme de tableaux. L’originalité de cette approche est d’associer un modèle conceptuel
aux tableaux figurant dans un document PDF.
Une autre expérimentation, en cours avec les chercheurs en statistiques, montre la diffi-
culté de l’interprétation des connaissances représentées dans le modèle statistique. Les pre-
miers résultats sont encourageants, ils démontrent outre un gain de temps, l’apport du lan-
gage SPARQL qui facilite l’accès aux connaissances (par exemple, filtrage sur la probabilité,
le nom de facteur de risque, etc.).

6 Conclusion et perspectives

Dans cet article, nous avons décrit une méthode permettant la traduction d’un modèle sta-
tistique présenté sous forme de tableau et publié au format PDF, vers un modèle conceptuel
représenté sous la forme d’un graphe. Nous avons apporté des solutions à deux problèmes
dans le domaine de l’extraction de connaissances : (i) comment déterminer la pertinence des
informations contenues dans des tableaux et sous quel format les extraire ; (ii) comment pas-
ser d’un format PDF non structuré à un format exploitable pour le traitement sémantique de
l’information. Une réponse au second problème est constituée de la conversion d’un docu-
ment PDF vers un format HTML respectant la structure des tableaux, puis l’extraction des
informations pertinentes sous forme de triplets RDF. L’intérêt de cette approche est qu’elle
permet d’extraire des connaissances implicites représentées dans des tableaux statistiques
dans différents domaines.
Les résultats de nos premières expérimentations sur des ensembles de données de nature
différentes sont encourageants, même s’ils doivent encore être améliorés. Plusieurs perspec-
tives émergent comme l’ajout de l’exploitation du contenu complet du document (texte, fi-
gure, etc.). Le résultat obtenu est déjà intégré dans un système de visualisation 12 dynamique
de connaissances appliqué aux interactions entre les facteurs de risque des maladies cardio-
vasculaires. En outre, l’approche est actuellement utilisée sur des études statistiques dans
12. http ://www-limics.smbh.univ-paris13.fr/MCVGraphViz/

118
 D’un modèle statistique à un modèle de connaissance

le domaine des maladies cardiovasculaires et conduit à des modèles conceptuels différents.

L’idée est de fusionner ces modèles en exploitant les connaissances expertes du domaine afin
d’élaborer un modèle générique des interactions entre les facteurs de risque des maladies
cardiovasculaires.

Références
C LARK C. A. & D IVVALA S. K. (2015). Looking beyond text : Extracting figures, tables and captions
from computer science papers. In Scholarly Big Data : AI Perspectives, Challenges, and Ideas,
Papers from the 2015 AAAI Workshop, Austin, Texas, USA, January, 2015.
C RESTAN E. & PANTEL P. (2010). Web-scale knowledge extraction from semi-structured tables. In
Proceedings of the 19th International Conference on World Wide Web, WWW ’10, p. 1081–1082,
New York, NY, USA : ACM.
E RMILOV I., AUER S. & S TADLER C. (2013). User-driven semantic mapping of tabular data. In
Proceedings of the 9th International Conference on Semantic Systems, I-SEMANTICS ’13, p. 105–
112, New York, NY, USA : ACM.
J UNYONG I. & S ANGSEOK L. (2017). Statistical data presentation. Korean Journal of Anesthesiology,
70, 267.
K LAMPFL S. & K ERN R. (2015). Machine learning techniques for automatically extracting contextual
information from scientific publications. In Semantic Web Evaluation Challenges, p. 105–116.
Springer International Publishing.
L U W., Z HANG Z., L OU R., DAI H., YANG S. & W EI B. (2015). Mining rdf from tables in chi-
nese encyclopedias. In Proceedings of the 4th CCF Conference on Natural Language Processing
and Chinese Computing - Volume 9362, NLPCC 2015, p. 285–298, Berlin, Heidelberg : Springer-
Verlag.
M ENETON P., L EMOGNE C., H ERQUELOT E., B ONENFANT S., L ARSON M.-G., VASAN R.-S.,
M ÉNARD J., G OLDBERG M. & Z INS M. (2016). A global view of the relationships between the
main behavioural and clinical cardiovascular risk factors in the gazel prospective cohort. PLOS
ONE, 11(9), 1–20.
M UÑOZ E., H OGAN A. & M ILEO A. (2014). Using linked data to mine rdf from wikipedia’s tables.
In Proceedings of the 7th ACM International Conference on Web Search and Data Mining, WSDM
’14, p. 533–542, New York, NY, USA : ACM.
P IVK A., C IMIANO P., S URE Y., G AMS M., R AJKOVI Č V. & S TUDER R. (2007). Transforming
arbitrary tables into logical form with tartar. Data Knowl. Eng., 60(3), 567–595.
P OWELL J. (2015). A librarian’s guide to graphs, data and the semantic web. Chandos Information
Professional Series, p. 268. Elsevier Science.
R IAZ A., TANVIRAND A. M. & M UHAMMAD A. Q. (2016). Information extraction from PDF
sources based on rule-based system using integrated formats. In Semantic Web Challenges, p. 293–
308. Springer International Publishing.
RONZANO F. & S AGGION H. (2016). Knowledge extraction and modeling from scientific publi-
cations. In A. G ONZÁLEZ -B ELTRÁN , F. O SBORNE & S. P ERONI, Eds., Semantics, Analytics,
Visualization. Enhancing Scholarly Data, p. 11–25, Cham : Springer International Publishing.
S APORTA G. (2011). Probabilités, analyse des données et statistique. p. 622. 3ème édition révisée.
S HIGAROV A. O. (2015). Table understanding using a rule engine. Expert Systems with Applications,
42(2), 929–937.
U NBEHAUEN J., H ELLMANN S., AUER S. & S TADLER C. (2012). Knowledge Extraction from
Structured Sources, In S. C ERI & M. B RAMBILLA, Eds., Search Computing : Broadening Web
Search, p. 34–52. Springer Berlin Heidelberg : Berlin, Heidelberg.
WHO (2017). World Health Statistics 2017 :Monitoring Health for the SDGs Sustainable Develop-
ment Goals. World Health Statistics Annual. World Health Organization.
W U J., K ILLIAN J., YANG H., W ILLIAMS K., C HOUDHURY S. R., T UAROB S., C ARAGEA C.
& G ILES C. L. (2015). Pdfmef : A multi-entity knowledge extraction framework for scholarly
documents and semantic search. In Proceedings of the 8th International Conference on Knowledge
Capture, K-CAP 2015, p. 13 :1–13 :8, New York, NY, USA : ACM.
Y EON -S EOK K. & K YONG -H O L. (2008). Extracting logical structures from HTML tables. Compu-
ter Standards & Interfaces, 30(5), 296–308.

119